트레이딩에이전트 논문 정리 — 애널리스트·리서치·트레이더·리스크 4단계 AI 팀의 백테스트 성과와 한계

핵심 메시지

• 실제 투자 회사의 조직도를 그대로 AI로 옮긴 연구다. 분야별 애널리스트가 보고서를 내고, 강세파와 약세파가 맞붙어 토론하고, 트레이더가 결정하면 리스크 팀이 다시 점검하는 4단계를 LLM 에이전트들이 나눠 맡는다.
• 지금까지의 금융 AI는 대부분 '혼자'였다. 하나의 에이전트가 데이터를 보고 혼자 판단했다. 이 연구의 출발점은 실제 트레이딩 회사는 그렇게 일하지 않는다는 관찰이다.
• 핵심 장치는 토론이다. 강세를 주장하는 황소 에이전트와 약세를 주장하는 곰 에이전트가 애널리스트 보고서를 근거로 여러 차례 반박을 주고받으며, 한쪽으로 치우친 판단을 걸러낸다.
• 애플·구글·아마존 세 종목을 2024년 말 실제 시장 데이터로 검증한 결과, 세 종목 모두에서 최소 23.21%의 누적 수익을 냈고 가장 좋은 전통 전략보다 6.1%포인트 앞섰다.
• 다만 모든 지표에서 이긴 것은 아니다. 얼마나 크게 빠질 수 있는지를 보는 최대 낙폭에서는 규칙 기반 전략들이 오히려 더 안정적이었다. 높은 수익을 노린 대신 낙폭 통제를 조금 양보한 셈이다.

쉽게 이해하기

주식 거래를 AI에게 맡긴다고 할 때 보통 떠올리는 그림은 똑똑한 AI 하나가 데이터를 보고 사고팔기를 결정하는 모습이다. 이 연구는 그 전제를 뒤집는다. 애널리스트와 트레이더, 리스크 관리자가 각자 역할을 맡고 서로 토론해 결정을 내리는, 투자 회사 하나를 통째로 AI로 재현한 것이다. 여러 역할의 LLM 에이전트가 협업하는 금융 거래 프레임워크 '트레이딩에이전트(TradingAgents)'이며, 공개된 코드가 깃허브에서 큰 화제가 됐다.

전체 흐름은 네 단계로, 정보가 이 순서대로 흐르며 걸러진다. 첫 단계인 애널리스트 팀에는 기업 재무를 보는 펀더멘털 분석가, 여론을 읽는 감성 분석가와 뉴스 분석가, 차트 지표를 계산하는 기술 분석가가 있다. 기술 분석가는 이동평균이나 RSI 같은 지표를 종목 성격에 맞게 골라 계산한다. 사람 애널리스트가 하던 일을 역할별 AI가 나눠 맡는 구조다.

두 번째 리서치 팀에서 진짜 토론이 벌어진다. 강세를 주장하는 황소 에이전트와 약세를 주장하는 곰 에이전트가 애널리스트 보고서를 근거로 여러 차례 맞붙는다. 한쪽이 근거를 대면 다른 쪽이 그 약점을 찌른다. 세 번째 트레이더는 이 토론과 과거 거래 기록을 종합해 매수·매도·보유를 결정하고, 마지막 리스크 관리 팀에서 공격적·보수적·중립적 관점이 그 결정이 지나치게 위험하지 않은지 다시 따진다. 이 관문을 통과해야 최종 실행으로 넘어간다.

여기에 한 가지 장치가 더 있다. 기억이다. 과거 거래가 성공했는지 실패했는지를 되돌아보고 그 교훈을 다음 판단에 반영한다. 실수에서 배우는 셈이다. 흥미로운 점은 이 모든 과정이 말로 이루어진다는 것이다. 각 에이전트가 판단 근거를 문장으로 설명하기 때문에, 왜 그런 결정이 나왔는지를 사람이 따라 읽을 수 있다.

성과 검증은 애플·구글·아마존 세 종목을 대상으로 2024년 말 실제 시장 데이터로 이뤄졌다. 비교 대상은 그냥 사서 들고 있는 바이앤홀드부터 이동평균, RSI 같은 규칙 기반 전략까지 다섯 가지다. 지표는 총 수익률, 연환산 수익률, 위험 대비 수익을 보는 샤프 지수, 그리고 최대 낙폭 네 가지를 썼다.

주요 인사이트

• 수익률에서는 세 종목 모두 최소 23.21%의 누적 수익을 냈고, 가장 좋은 전통 전략보다도 6.1%포인트 앞섰다. 특히 변동성이 컸던 애플에서 차이가 두드러졌는데, 규칙 기반 전략들이 이 혼란기에 대부분 손실을 본 반면 트레이딩에이전트는 26%가 넘는 수익을 냈다.
• 위험 대비 수익을 보는 샤프 지수는 더 극적이다. 보통 2를 넘으면 매우 좋음, 3을 넘으면 뛰어남으로 보는데 애플에서 8.22를 기록했다. 기대 범위를 훌쩍 넘어선 수치인 만큼, 뒤에 붙는 백테스트라는 단서와 함께 읽어야 하는 숫자이기도 하다.
• 잘한 이유로 영상이 꼽는 것은 두 가지다. 하나는 협업과 토론이다. 한 에이전트의 편향을 다른 에이전트가 반박하고 리스크 팀이 한 번 더 걸러주면서 혼자 판단할 때보다 균형 잡힌 결정이 나온다. 다른 하나는 정보의 다양성으로, 재무·뉴스·여론·차트를 각 전문가가 따로 분석하니 한 종류의 신호에만 의존하지 않게 된다.
• 이 구조는 주식에만 쓸 수 있는 것이 아니다. 여러 관점을 토론시켜 결정을 내리는 틀은 복잡한 의사 결정이 필요한 다른 분야에도 응용될 수 있다. 하나의 거대한 AI보다 역할을 나눈 팀이 더 나을 수 있다는 것이 이 연구가 구체적으로 보여준 지점이다.
• 주의할 점도 분명하다. 이 결과는 과거 데이터로 돌려본 백테스트이고 세 종목과 특정 기간에 한정된다. 실제 투자를 권하는 것도, 미래 수익을 보장하는 것도 아니라고 영상은 명시한다.

자주 묻는 질문

관련 AI 소식